Uma aplicação de redes neurais artificiais recorrentes (RTRL) e processos ARIMA-GARCH para predição da série de preços da soja
DOI:
https://doi.org/10.36942/reni.v2i1.199Palavras-chave:
Previsão, Redes Neurais, ARIMA-GARCHResumo
Neste artigo é realizado um estudo comparativo quanto à eficiência de
previsão de séries temporais utilizando processos ARIMA-GARCH e redes neurais artificiais (RNA) treinadas com o algoritmo de aprendizagem recorrente em tempo real (RTRL – real time recurrent learning). Como experimento, a série de preços da saca de soja de 60 Kg é usada para realizar a comparação entre as duas técnicas. São realizadas previsões de 1 a 10 passos à frente, estes valores de janelas de previsão foram escolhidos arbitrariamente. Tanto o modelamento usando RNA como os processos ARIMA-GARCH exigem a transformação dos dados da série original. Os resultados das previsões são apresentados em termos dos valores da série no nível, ou seja, tem a mesma forma da série original. Podese verificar que as previsões das redes neurais tiveram desempenho superior quando comparadas aos resultados dos modelos econométricos tradicionais.
Downloads
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Esta obra está licenciada com uma Licença Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional.
Link da licença: http://creativecommons.org/licenses/by-sa/4.0/
Você tem o direito de:
- Compartilhar — copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial.
- Adaptar — remixar, transformar, e criar a partir do material para qualquer fim, mesmo que comercial.
- O licenciante não pode revogar estes direitos desde que você respeite os termos da licença.
De acordo com os termos seguintes:
- Atribuição — Você deve dar o crédito apropriado, prover um link para a licença e indicar se mudanças foram feitas. Você deve fazê-lo em qualquer circunstância razoável, mas de nenhuma maneira que sugira que o licenciante apoia você ou o seu uso.
- CompartilhaIgual — Se você remixar, transformar, ou criar a partir do material, tem de distribuir as suas contribuições sob a mesma licença que o original.
- Sem restrições adicionais — Você não pode aplicar termos jurídicos ou medidas de caráter tecnológico que restrinjam legalmente outros de fazerem algo que a licença permita.
